人工智能時代已然來臨，伴隨著人工智能在各個場景中的落地應用，算法、算力不再是高壁壘，為了不斷提高算法精度，算法所必須的數據需求也空前爆發(fā)，一度催生了AI基礎數據服務行業(yè)的繁榮。

行業(yè)繁榮的景象之下，還存在著一些問題，由于AI基礎數據服務的數據標注業(yè)務相對門檻較低，玩家魚龍混雜，使行業(yè)標準模糊，服務質量參差不齊。目前多以人工標注為主，傳統(tǒng)標注工廠在“人工成本”方面的優(yōu)勢正不斷被削弱。因此，增強數據處理平臺持續(xù)學習和自學習能力，利用機器學習輔助人工提升標注維度和精度，同時降低人工成本已經成為產業(yè)共識。另外，數據采集層面，針對數據源的版權問題、采集標準問題還沒有很好解決；數據庫的建設及服務還保持著一定的壁壘，通用場景的AI技術不斷成熟，如何建設高精尖數據庫在行業(yè)當下也需要去解決。

希爾貝殼成立于2017年，深耕場景AI數據服務，做好數據服務的技術創(chuàng)新同時并開始思考數據產業(yè)的下一步方向。

疫情肆掠過后，人工智能應用落地速度加快，而這背后，身處AI基礎數據行業(yè)的希爾貝殼也在加速前行。

用機器輔助做數據標注切入AI基礎數據服務行業(yè)

希爾貝殼創(chuàng)業(yè)初始聚焦語音數據服務，和創(chuàng)始人的背景密切相關。希爾貝殼CEO卜輝從韓國高麗大學AI實驗室碩士畢業(yè)后，就一直從事智能語音技術及數據庫建設方向的工作，對語音數據庫以及語音智能產品有著深入的研究。

AI的算法需要大量帶標簽的數據，數據標注則是由人工為主導，在“有多少人工就有多智能”的產業(yè)背景之下，革新技術，行業(yè)標準和門檻的提升則顯得更為迫切。

在人工智能快速迭代更新的節(jié)點，卜輝發(fā)現(xiàn)AI技術成本的變化速度驚人且市場競爭激烈，“比如一套通用AI系統(tǒng)相比一年前，價格基本折了三分之一，但是成就技術的數據并沒有貶值。相反，數據處理、采集和加工的人力成本越來越高”。

在這樣的背景下，智能化輔助標注平臺顯得尤為重要。這和卜輝最開始切入行業(yè)的初衷不謀而合。希爾貝殼的數據標注平臺在工作高峰期擁有上萬人在并行做數據標注的工作，如何在降低人工成本的情況下保證數據質量，卜輝認為，應當基于一個強大的智能化工作平臺，通過完善算法模型和利用大數據分析來提高數據質量的管控和質檢，將重復的標注工作做到智能化管理，提高數據標注效率。成熟的算法好比智能車間里的機器人，大數據分析系統(tǒng)好比智慧大腦在24小時做項目管理工作。

對此，希爾貝殼2018年研發(fā)并應用了四套智能標注系統(tǒng)來降低數據處理的成本：語音數據質量評測系統(tǒng)、語音自動標注系統(tǒng)、音頻檢索系統(tǒng)、智能化標注眾包大數據分析系統(tǒng)。在數據任務分發(fā)、自動糾錯、數據質量跟蹤上，提高了數據標注的效率，降低了1/3的人工成本，實現(xiàn)從人工到技術，再讓技術輔助人工完成高效的標注工作。

但卜輝對數據的思考并不止于此，“讓懂技術的人去做數據，可以看到數據完整的生命周期。另外在數據采集方面，要確定版權除了人為的協(xié)議，還需要技術的加持，我們已經在開發(fā)電子認證、數據加密，既要考慮版權也要重視數據流通的安全?！痹诓份x看來，好的數據能夠幫助算法更好的去落地。

對此，希爾貝殼還擁有自建數據庫的能力，并根據不同應用場景定制優(yōu)質的數據庫，以提高深度學習的算法精度，精準解決產品在場景下的技術痛點。

探索及制作高精尖數據庫

自建數據庫，是希爾貝殼創(chuàng)立之初就帶有的基因，經過4年的探索之后，卜輝越發(fā)地重視數據庫的業(yè)務，高精尖數據庫的研發(fā)投入也不斷擴大。并且在2019年，與西北工業(yè)大學音頻語音與語言處理研究組聯(lián)合成立“智能語音與多模態(tài)數據實驗室” 。

目前，希爾貝殼的客戶包括阿里、騰訊、京東、聯(lián)想、百度等，“大部分客戶更多的合作在于希爾貝殼的數據采標方案、數據的質量和專業(yè)的服務上。”此外，希爾貝殼持續(xù)在數據開源的項目上做投入，目前開源的數據庫申請規(guī)模已經達到了500+，實現(xiàn)了我們開源數據助力產學研共同發(fā)展的目的，在希爾貝殼的品牌建設上也樹立了口碑，在業(yè)務上也給希爾貝殼開拓了新的方向。而卜輝提到的開源數據項目，就是【AISHELL系列的精標語音數據集】。

響應國家號召，加深【開源】項目建設

今年3月12日，新華社播發(fā) 《 中華人民共和國國民經濟和社會發(fā)展第十四個五年規(guī)劃和2035年遠景目標綱要》，其中【開源】首次被明確列入國民經濟和社會發(fā)展五年規(guī)劃綱要。從綱要提到的“支持數字技術開源社區(qū)等創(chuàng)新聯(lián)合體發(fā)展，完善開源知識產權和法律體系，鼓勵企業(yè)開放軟件源代碼、硬件設計和應用服務”，可以看出國家在戰(zhàn)略層面對「開源」的肯定和支持。這足以說明開源是大勢所趨。

希爾貝殼成立之初就建立了開源社區(qū)，開源了178小時的AISHELL-1中文普通話精標語音數據集。同時搭載全球最大開源語音識別系統(tǒng)Kaldi做了一套開源方案，將有研發(fā)價值的數據貢獻到科研教育機構。

AISHELL-1開源之后，卜輝發(fā)現(xiàn)，高校學生在使用這套方案的同時，很多中小型企業(yè)也在利用它進行語音識別技術的研發(fā)和產品相關研究，但效果就偏弱了一些。

因此，在2018年6月23日Kaldi第三屆全國線下技術交流會上，作為聯(lián)合主辦方之一的希爾貝殼再次開源了全球最大的中文開源數據庫AISHELL-2，時長1000小時。這個開源項目不只局限于數據，還包括Kaldi配套的recipe應用。同時成立了AISHELL Foundation來共同推進語音數據和技術的不斷開源計劃。

AISHELL-2由1991名來自中國不同口音區(qū)域的發(fā)言人參與錄制，文本內容主要涉及喚醒詞、語音控制詞、智能家居、無人駕駛、工業(yè)生產等12個領域。并經過專業(yè)語音校對人員轉寫標注，通過了嚴格質量檢驗，數據庫文本正確率在98%以上。

AISHELL-2是全球最大的中文語音數據開源項目，也是最成功的。也正是因為這次開源，不僅讓希爾貝殼被業(yè)界所知曉，更是讓讓希爾貝殼收獲了全球的智能語音研究高校合作資源。 “AISHELL-2的開源項目，確定了數據開源的模式，即算法方案、優(yōu)質的數據集、實驗系統(tǒng)的描述這三個維度來做方案，讓開源項目能夠惠及更多的開發(fā)者。對比CV領域ImageNet這樣的開源數據庫，我們做的還遠遠不夠，但我們會持續(xù)做下去，也希望整個產業(yè)有更多的人來貢獻?！辈份x強調。

數據庫做為數據產品需要經歷投入成本、市場認可、數據庫質量三個維度考核，這也形成了數據庫的建設壁壘。AISHELL-1 & 2中文普通話精標語音數據集的建設與開源也驗證了希爾貝殼自建數據庫的能力。成熟的算法要解決場景化的匹配調優(yōu)問題，讓AI找到了新的挑戰(zhàn)。相對AISHELL-1 & 2 賦能基礎的語音應用技術，場景化的數據庫建設更為復雜，需要考慮技術的滿足指標和真實場景數據的匹配等等。場景數據開源的方案希爾貝殼也陸續(xù)公開發(fā)布了 HI-MIA，智能家居場景的語音喚醒開源項目;聯(lián)合昆山杜克大學一起發(fā)布的多說話人語音合成項目AISHELL-3。 更是把智能語音技術+數據開源的方案樹立起了希爾貝殼自有的能力門檻，前沿技術落地數據先行的理念在希爾貝殼充分得到驗證。

今年希爾貝殼會推出AISHELL-4,聚焦會議場景的智能語音技術方案，目前開源項目的論文已經公布，該項目方案也是產學研最全面的會議場景方案，相信會推動智能語音技術在會議場景的研究及落地。

希爾貝殼目前已形成了智能語音技術+數據的矩陣開源方案，覆蓋語音識別、聲紋識別、語音合成、場景智能語音技術應用方案。

數據服務的創(chuàng)新思考：算法和數據的辯證關系

在不斷拓寬業(yè)務的深度和廣度的同時，卜輝更著重思考業(yè)務背后的技術邏輯，如何用技術助力和創(chuàng)新業(yè)務。創(chuàng)業(yè)期間，卜輝一直在思考數據標注、數據采集、數據庫和算法之間的聯(lián)系。在卜輝看來，數據和算法之間是一個辯證的關系，數據是算法的基礎，但開源的算法也為數據質量助力，此外，數據庫的建設也需要有前沿算法的意識?！耙驗閿祿焓菫樗惴ê蛻脤臃盏模趯λ惴ㄓ幸欢ǖ牧私獗尘跋氯プ鰯祿?，則更為清晰。另外，技術落地數據先行是一個必然的趨勢。當技術逐漸成熟后科研人員更聚焦用數據去驗證技術?！?/p>

在AI基礎數據服務行業(yè)中，希爾貝殼已經擁有了成熟的兩大業(yè)務形式，包括數據集產品（自建并開源數據庫）和數據需求的定制服務（數據采集/標注）。卜輝說道：“做好場景下的數據采標，垂直在場景建數據庫，已經成為希爾貝殼的特色和亮點。在AI新基建的路上，非結構化數據的管理、標注、分析、安全等還有很多問題需要解決，基礎數據服務要跟上產業(yè)的發(fā)展投入研發(fā)拓展創(chuàng)新，才能真正做到服務產業(yè)服務好產業(yè)。”

盡管身處在AI基礎數據服務行業(yè)，但從希爾貝殼的4年發(fā)展路徑來看，聚焦場景化數據業(yè)務，其對人工智能數據的思考和創(chuàng)新不止于此，這和創(chuàng)始人卜輝的創(chuàng)新思維有很大的聯(lián)系。卜輝一直強調，創(chuàng)新的力量，“盡管數據服務屬于人工智能產業(yè)的基礎層，越基礎越要做到扎實，思考不能局限在這一層，從產業(yè)的角度去思考和改變，不斷提升我們的業(yè)務能力?！?/p>

在卜輝看來，希爾貝殼用4年的時間做數據層面的創(chuàng)新只是第一步。談及未來的規(guī)劃，卜輝說道：“通過技術引領數據業(yè)務的發(fā)展，通過數據帶動技術產業(yè)的成熟，在未來用前沿的數據庫去服務開發(fā)者和科研人員，降低企業(yè)在算法落地層面的成本。還要用更多的開源數據與教育、研發(fā)、產品等相結合讓技術落地走進更多的場景，為實現(xiàn)人工智能民主化希爾貝殼還需要更努力?！?/p>

雷鋒網雷鋒網

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。